ما هو التعلم من القليل من النماذج؟

يُشير التعلم من القليل من النماذج إلى مجموعة متنوعة من الخوارزميات والتقنيات المستخدمة لتطوير نموذج ذكاء اصطناعي باستخدام كمية صغيرة جدًا من بيانات التدريب. يهدف التعلم من القليل من النماذج إلى تمكين نموذج الذكاء الاصطناعي من التعرف على تصنيف البيانات الجديدة بعد تعرضه لعدد قليل من الأمثلة على التدريب. يختلف التدريب على القليل من النماذج عن الطرق التقليدية لتدريب نماذج التعلم الآلي، حيث يتم استخدام كمية كبيرة من بيانات التدريب عادةً. يتم استخدام التعلم من القليل من النماذج بشكل رئيسي في رؤية الكمبيوتر.

للتعرف بشكل أفضل على التعلم من القليل من النماذج، دعونا ننظر إلى المفهوم بتفاصيل أكبر. سننظر إلى الدوافع والمفاهيم وراء التعلم من القليل من النماذج، وستناقش بعض الأنواع المختلفة من التعلم من القليل من النماذج، وستغطي بعض النماذج المستخدمة في التعلم من القليل من النماذج على مستوى عالٍ. أخيرًا، سننظر إلى بعض التطبيقات للتعلم من القليل من النماذج.

ما هو التعلم من القليل من النماذج؟

يُشير “التعلم من القليل من النماذج” إلى ممارسة تدريب نموذج التعلم الآلي بكمية دقيقة من البيانات. عادةً ما يتم تدريب نماذج التعلم الآلي على كميات كبيرة من البيانات، وكلما كانت البيانات أكبر، كان ذلك أفضل. ومع ذلك، فإن التعلم من القليل من النماذج هو مفهوم مهم في التعلم الآلي لعدة أسباب.

واحدة من الأسباب لاستخدام التعلم من القليل من النماذج هو أنه يمكن أن يقلل بشكل كبير من كمية البيانات المطلوبة لتدريب نموذج التعلم الآلي، مما يقلل من الوقت اللازم لتعليم مجموعات البيانات الكبيرة. بالإضافة إلى ذلك، يقلل التعلم من القليل من النماذج من الحاجة إلى إضافة ميزات محددة للمهام المختلفة عند استخدام مجموعة بيانات مشتركة لإنشاء عينات مختلفة. يمكن للتعلم من القليل من النماذج أن يجعل النماذج أكثر متانة وقدرة على التعرف على الكائنات بناءً على بيانات أقل، مما يخلق نماذج أكثر عمومية بدلاً من النماذج المتخصصة للغاية التي هي العرف.

يُستخدم التعلم من القليل من النماذج بشكل أكثر شيوعًا في مجال رؤية الكمبيوتر، حيث يتطلب طبيعة مشاكل رؤية الكمبيوتر إما كميات كبيرة من البيانات أو نموذج مرن.

الفئات الفرعية

في الواقع، يُشير مصطلح “التعلم من القليل من النماذج” إلى نوع من التعلم باستخدام أمثلة تدريبية قليلة جدًا. منذ أن كنت تستخدم فقط “قليلاً” من الأمثلة على التدريب، هناك فئات فرعية من التعلم من القليل من النماذج التي تتضمن أيضًا تدريبًا بكمية دقيقة من البيانات. “التعلم من مثال واحد” هو نوع آخر من تدريب النموذج الذي يتضمن تعليم النموذج للتعرف على كائن بعد رؤية صورة واحدة فقط من ذلك الكائن. الإستراتيجيات العامة المستخدمة عبر التعلم من مثال واحد والتعلم من القليل من النماذج هي نفسها. كن على دراية بأن مصطلح “التعلم من القليل من النماذج” قد يُستخدم ك مصطلح شمول لوصف أي حالة يتم فيها تدريب نموذج بكمية صغيرة جدًا من البيانات.

مناهج التعلم من القليل من النماذج

يمكن أن تناسب معظم مناهج التعلم من القليل من النماذج واحدة من ثلاث فئات: مناهج على مستوى البيانات، مناهج على مستوى المعلمات، ومناهج على أساس المقاييس.

مناهج على مستوى البيانات

مناهج التعلم من القليل من النماذج على مستوى البيانات بسيطة جدًا في المفهوم. من أجل تدريب نموذج عندما لا تتوفر كمية كافية من بيانات التدريب، يمكنك ببساطة الحصول على المزيد من بيانات التدريب. هناك تقنيات مختلفة يمكن أن يستخدمها عالم البيانات لزيادة كمية بيانات التدريب التي يمتلكها.

يمكن أن تدعم بيانات التدريب المماثلة بيانات التدريب الدقيقة التي يتم تدريب الفصل على нее. على سبيل المثال، إذا كنت تتدرب على فصل لتعرف أنواعًا معينة من الكلاب ولكنك تفتقر إلى الكثير من الصور لأنواع الكلاب التي تحاول تصنيفها، يمكنك تضمين الكثير من الصور للكلاب التي من شأنها أن تساعد الفصل على تحديد الميزات العامة التي تشكل كلبًا.

يمكن أن يخلق تعزيز البيانات المزيد من بيانات التدريب للفصل. عادةً ما يتضمن ذلك تطبيق التحويلات على بيانات التدريب الحالية، مثل دوران الصور الحالية بحيث يفحص الفصل الصور من زوايا مختلفة. يمكن استخدام GANs أيضًا لإنشاء أمثلة تدريبية جديدة بناءً على ما يتعلمه من القليل من الأمثلة الحقيقية لبيانات التدريب التي لديك.

مناهج على مستوى المعلمات

التعلم المتأثر

تتضمن واحدة من مناهج التعلم من القليل من النماذج على مستوى المعلمات تقنية تسمى “التعلم المتأثر“. يتضمن التعلم المتأثر تعليم نموذج كيفية التعلم على الميزات المهمة في مهمة التعلم الآلي. يمكن أن يتم ذلك من خلال إنشاء طريقة لتنظيم كيفية استكشاف فضاء المعلمات للنموذج.

يستخدم التعلم المتأثر نموذجين مختلفين: نموذج معلم ونموذج طالب. يتعلم نموذج “المعلم” كيفية حصر فضاء المعلمات، بينما يتعلم خوارزمية “الطالب” كيفية التعرف والتصنيف للأشياء الفعلية في مجموعة البيانات. بمعنى آخر، يتعلم نموذج المعلم كيفية تحسين نموذج، بينما يتعلم نموذج الطالب كيفية تصنيف. يتم استخدام مخرجات نموذج المعلم لتدريب نموذج الطالب، مما يظهر لنموذج الطالب كيفية التفاوض على فضاء المعلمات الكبير الذي ينتج عن قلة بيانات التدريب. ومن هنا جاءت كلمة “ميتا” في التعلم المتأثر.

واحدة من المشاكل الرئيسية مع نماذج التعلم من القليل من النماذج هي أنها يمكن أن تتعرض بسهولة للتعلم الزائد على بيانات التدريب، لأنها غالبًا ما تمتلك فضاءات ذات أبعاد عالية. يحل تحديد فضاء المعلمات للنموذج هذه المشكلة، ويمكن أن يتم ذلك عن طريق تطبيق تقنيات التنظيم واختيار دالة الخسارة المناسبة، ولكن استخدام خوارزمية معلم يمكن أن ي cải thiện بشكل كبير أداء نموذج التعلم من القليل من النماذج.

سيحاول نموذج تصنيف التعلم من القليل من النماذج (نموذج الطالب) التعرف على أساس كمية صغيرة من بيانات التدريب التي يتم توفيرها لها، ويمكن أن تتحسن دقته مع نموذج معلم لتنشيطه خلال فضاء المعلمات ذي الأبعاد العالية. يُطلق على هذه الهيئة العامة اسم “متعلم قائم على التدرج”.

يتضمن عملية تدريب متعلم قائم على التدرج التالي:

1. إنشاء نموذج المتعلم الأساسي (نموذج المعلم)
2. تدريب نموذج المتعلم الأساسي على مجموعة الدعم
3. إرجاع تنبؤات نموذج المتعلم الأساسي لمجموعة الاستعلام
4. تدريب متعلم التدرج على الخسارة المشتقة من خطأ التصنيف

تغيرات على التعلم المتأثر

يُستخدم التعلم المتأثر المستقل عن النموذج لتعزيز تقنية التعلم المتأثر القائم على التدرج التي غطيناها أعلاه.

كما غطينا أعلاه، يستخدم متعلم التدرج الخبرة السابقة التي اكتسبها نموذج المعلم لتعديل نفسه وتقديم تنبؤات أكثر دقة لكمية صغيرة من بيانات التدريب. ومع ذلك، يمكن أن يؤدي البدء بمعلمات تمت تهيئتها بشكل عشوائي إلى أن النموذج لا يزال يمكن أن يتعرض للتعلم الزائد على البيانات. لتفادي ذلك، يتم إنشاء “متعلم مستقل عن النموذج” عن طريق تحديد تأثير نموذج المعلم / النموذج الأساسي. بدلاً من تدريب نموذج الطالب مباشرة على الخسارة للتنبؤات التي قدمها نموذج المعلم، يتم تدريب نموذج الطالب على الخسارة لتنبؤاته الخاصة.

对于 كل حلقة تدريبية لنموذج التعلم المتأثر المستقل عن النموذج:

1. إنشاء نسخة من نموذج المتعلم الحالي.
2. تدريب النسخة بمساعدة نموذج المعلم / النموذج الأساسي.
3. إرجاع النسخة تنبؤاتها لمجموعة البيانات التدريبية.
4. استخدام الخسارة المحسوبة لتحديث متعلم التدرج.

التعلم القائم على المقاييس

تتضمن مناهج التعلم القائم على المقاييس لتصميم نموذج التعلم من القليل من النماذج استخدام المقاييس الأساسية للمسافة لجعل مقارنات بين العينات في مجموعة البيانات. يتم استخدام خوارزميات التعلم القائم على المقاييس مثل مسافة الكوزين لتصنيف عينات الاستعلام بناءً على تشابهها مع عينات الدعم. لتصنيف الصور، سيكون ذلك يعني ببساطة تصنيف الصور بناءً على تشابه السمات السطحية. بعد تحويل مجموعة الدعم من الصور إلى متجه التضمين، يتم تنفيذ نفس الشيء لمجموعة الاستعلام، ثم يتم مقارنة القيم للvectionين، ويتحديد الفصل الفئة التي تمتلك قيمًا أقرب إلى متجه الاستعلام.

حلاً أكثر تقدمًا قائمًا على المقاييس هو “الشبكة النموذجية“. تجمع الشبكات النموذجية بين نقاط البيانات معًا، مما يجمع بين نماذج التجميع مع تصنيف قائم على المقاييس الموصوف أعلاه. كما هو الحال في تجميع K-means، يتم حساب مراكز التجميع للفئات في مجموعتي الدعم والاستعلام. ثم يتم تطبيق مقياس المسافة الأوربية لتحديد الفرق بين مجموعتي الاستعلام ومراكز مجموعة الدعم، ويتحديد مجموعة الاستعلام إلى فئة مجموعة الدعم التي هي الأقرب.

معظم مناهج التعلم من القليل من النماذج الأخرى هي مجرد تغييرات على التقنيات الأساسية المذكورة أعلاه.

التطبيقات للتعلم من القليل من النماذج

يتمتع التعلم من القليل من النماذج بتطبيقات في العديد من فروع علوم البيانات، مثل رؤية الكمبيوتر، ومعالجة اللغة الطبيعية، والروبوتات، والرعاية الصحية، ومعالجة الإشارات.

تتضمن التطبيقات للتعلم من القليل من النماذج في فضاء رؤية الكمبيوتر التعرف الفعال على الأحرف، وتصنيف الصور، وتصنيف الكائنات، وتتبع الكائنات، وتوقع الحركة، وتحديد الموقع. تتضمن تطبيقات التعلم من القليل من النماذج في معالجة اللغة الطبيعية الترجمة، واكتمال الجملة، وتصنيف نية المستخدم، وتصنيف المشاعر، وتصنيف النص المتعدد. يمكن استخدام التعلم من القليل من النماذج في مجال الروبوتات لمساعدة الروبوتات على التعلم من المهام من خلال بضع عروض فقط، مما يسمح للروبوتات بالتعلم حول كيفية أداء الإجراءات، والحركة، والتنقل في العالم من حولهم. يُعد اكتشاف الأدوية القليلة من النماذج مجالًا جديدًا ظاهرًا من الذكاء الاصطناعي في مجال الرعاية الصحية. أخيرًا، يتمتع التعلم من القليل من النماذج بتطبيقات لمعالجة الإشارات الصوتية، وهو عملية تحليل بيانات الصوت، مما يسمح لأنظمة الذكاء الاصطناعي بتقليد الأصوات بناءً على بضع عينات فقط من المستخدم أو تحويل الصوت من مستخدم إلى آخر.